基于栈式自编码器的土质边坡失稳风险评估

运用传统方法开展边坡失稳风险评估时面临着计算量大、处理过程复杂等问题。基于深度学习理论,提出一种快速评估土质边坡失稳风险的方法。考虑影响土质边坡稳定性的9个主要影响因素,利用栈式自编码器进行训练和测试,并采用误差反向传播算法计算误差的传递,在多次训练中优化网络参数,获得最优网络模型。经过测试表明:建立的模型经过训练后能够快速、准确地确定边坡失稳的风险等级。该方法摆脱了传统风险评估方法中复杂、冗长的数据预处理和确定权重的过程,可为边坡及其他工程风险等级的快速评估提供新的思路。

基于栈式自编码器网络的岩质边坡失稳风险评估

边坡失稳风险评估是防范滑坡灾害发生的有效方式之一。为提升岩质边坡失稳风险评估的客观性、有效性和可靠性,基于深度学习栈式自编码网络,提出一种考虑岩体质量的岩质边坡失稳风险评估方法。该方法使用栈式自编码器网络自动计算出边坡岩体质量等级,再将岩体质量等级、坡高、坡角等8个指标作为输入参数,基于样本数据集构建岩质边坡失稳风险等级评估的栈式自编码器网络,并在基于误差反向传播算法的多代训练中形成最优、高精的风险评估网络。案例应用表明:提出的考虑岩体质量的岩质边坡失稳风险评估方法可准确地评估岩质边坡失稳风险等级,预测准确率达85%以上;该方法考虑了岩体质量等级、地形地貌、降雨等客观因素对岩质边坡稳定性的影响,实现了客观、科学、快捷的岩质边坡失稳风险评估。

基于XGBoost算法的公路隧道失稳风险评估模型及系统开发

为降低公路隧道建设过程中围岩掉块、塌方等灾害的发生,在充分发挥工程数据价值的基础上,建立了基于XGBoost算法的公路隧道失稳风险评估模型.选取岩体的风化程度、围岩级别、岩体完整程度、结构面结合程度、地下水出水情况和开挖方法共6个指标作为公路隧道失稳风险评估模型的指标,通过对各定性指标进行量化赋值来实现风险评估.引入混淆矩阵和准确率对失稳风险评估模型的测试集和预测集的训练效果进行检验.通过对比大华山隧道模型应用结果与实际工程结果,对所建立的风险评估模型进行了验证,验证结果二者呈现高度的一致性,成功预警了围岩失稳灾害的发生.基于Visual Basic自主开发了“公路隧道失稳风险评估系统”,实现了公路隧道建设过程中准确快速的失稳风险评估.